备注
您正在阅读 MMClassification 0.x 版本的文档。MMClassification 0.x 会在 2022 年末被切换为次要分支。建议您升级到 MMClassification 1.0 版本，体验更多新特性和新功能。请查阅 MMClassification 1.0 的安装教程、迁移教程以及更新日志。
依赖环境¶
在本节中，我们将演示如何准备 PyTorch 相关的依赖环境。
MMClassification 适用于 Linux、Windows 和 macOS。它需要 Python 3.6+、CUDA 9.2+ 和 PyTorch 1.5+。
备注
如果你对配置 PyTorch 环境已经很熟悉，并且已经完成了配置，可以直接进入下一节。 否则的话，请依照以下步骤完成配置。
第 1 步 从官网下载并安装 Miniconda。
第 2 步 创建一个 conda 虚拟环境并激活它。
conda create --name openmmlab python=3.8 -y
conda activate openmmlab
第 3 步 按照官方指南安装 PyTorch。例如：
在 GPU 平台：
conda install pytorch torchvision -c pytorch
警告
以上命令会自动安装最新版的 PyTorch 与对应的 cudatoolkit，请检查它们是否与你的环境匹配。
在 CPU 平台：
conda install pytorch torchvision cpuonly -c pytorch
安装¶
我们推荐用户按照我们的最佳实践来安装 MMClassification。但除此之外，如果你想根据 你的习惯完成安装流程，也可以参见自定义安装一节来获取更多信息。
最佳实践¶
pip install -U openmim
mim install mmcv-full
第 2 步 安装 MMClassification
根据具体需求，我们支持两种安装模式：
从源码安装（推荐）：希望基于 MMClassification 框架开发自己的图像分类任务，需要添加新的功能，比如新的模型或是数据集，或者使用我们提供的各种工具。
作为 Python 包安装：只是希望调用 MMClassification 的 API 接口，或者在自己的项目中导入 MMClassification 中的模块。
从源码安装¶
这种情况下，从源码按如下方式安装 mmcls：
git clone https://github.com/open-mmlab/mmclassification.git
cd mmclassification
pip install -v -e .
# "-v" 表示输出更多安装相关的信息
# "-e" 表示以可编辑形式安装，这样可以在不重新安装的情况下，让本地修改直接生效
另外，如果你希望向 MMClassification 贡献代码，或者使用试验中的功能，请签出到 dev 分支。
git checkout dev
作为 Python 包安装¶
直接使用 pip 安装即可。
pip install mmcls
验证安装¶
为了验证 MMClassification 的安装是否正确，我们提供了一些示例代码来执行模型推理。
第 1 步 我们需要下载配置文件和模型权重文件
mim download mmcls --config resnet50_8xb32_in1k --dest .
第 2 步 验证示例的推理流程
如果你是从源码安装的 mmcls，那么直接运行以下命令进行验证：
python demo/image_demo.py demo/demo.JPEG resnet50_8xb32_in1k.py resnet50_8xb32_in1k_20210831-ea4938fc.pth --device cpu
你可以看到命令行中输出了结果字典，包括 pred_label，pred_score 和 pred_class 三个字段。另外如果你拥有图形
界面（而不是使用远程终端），那么可以启用 --show 选项，将示例图像和对应的预测结果在窗口中进行显示。
如果你是作为 PyThon 包安装，那么可以打开你的 Python 解释器，并粘贴如下代码：
from mmcls.apis import init_model, inference_model
config_file = 'resnet50_8xb32_in1k.py'
checkpoint_file = 'resnet50_8xb32_in1k_20210831-ea4938fc.pth'
model = init_model(config_file, checkpoint_file, device='cpu') # 或者 device='cuda:0'
inference_model(model, 'demo/demo.JPEG')
你会看到输出一个字典，包含预测的标签、得分及类别名。
自定义安装¶
CUDA 版本¶
安装 PyTorch 时，需要指定 CUDA 版本。如果您不清楚选择哪个，请遵循我们的建议：
对于 Ampere 架构的 NVIDIA GPU，例如 GeForce 30 series 以及 NVIDIA A100，CUDA 11 是必需的。
对于更早的 NVIDIA GPU，CUDA 11 是向前兼容的，但 CUDA 10.2 能够提供更好的兼容性，也更加轻量。
请确保你的 GPU 驱动版本满足最低的版本需求，参阅这张表。
备注
如果按照我们的最佳实践进行安装，CUDA 运行时库就足够了，因为我们提供相关 CUDA 代码的预编译，你不需要进行本地编译。
但如果你希望从源码进行 MMCV 的编译，或是进行其他 CUDA 算子的开发，那么就必须安装完整的 CUDA 工具链，参见
NVIDIA 官网，另外还需要确保该 CUDA 工具链的版本与 PyTorch 安装时
的配置相匹配（如用 conda install 安装 PyTorch 时指定的 cudatoolkit 版本）。
不使用 MIM 安装 MMCV¶
MMCV 包含 C++ 和 CUDA 扩展，因此其对 PyTorch 的依赖比较复杂。MIM 会自动解析这些 依赖，选择合适的 MMCV 预编译包，使安装更简单，但它并不是必需的。
要使用 pip 而不是 MIM 来安装 MMCV，请遵照 MMCV 安装指南。 它需要你用指定 url 的形式手动指定对应的 PyTorch 和 CUDA 版本。
举个例子，如下命令将会安装基于 PyTorch 1.10.x 和 CUDA 11.3 编译的 mmcv-full。
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.html
在 CPU 环境中安装¶
MMClassification 可以仅在 CPU 环境中安装，在 CPU 模式下，你可以完成训练（需要 MMCV 版本 >= 1.4.4）、测试和模型推理等所有操作。
在 CPU 模式下，MMCV 的部分功能将不可用，通常是一些 GPU 编译的算子。不过不用担心， MMClassification 中几乎所有的模型都不会依赖这些算子。
在 Google Colab 中安装¶
Google Colab 通常已经包含了 PyTorch 环境，因此我们只需要安装 MMCV 和 MMClassification 即可，命令如下：
!pip3 install openmim
!mim install mmcv-full
第 2 步 从源码安装 MMClassification
!git clone https://github.com/open-mmlab/mmclassification.git
%cd mmclassification
!pip install -e .
第 3 步 验证
import mmcls
print(mmcls.__version__)
# 预期输出： 0.23.0 或更新的版本号
备注
在 Jupyter 中，感叹号 ! 用于执行外部命令，而 %cd 是一个魔术命令，用于切换 Python 的工作路径。
通过 Docker 使用 MMClassification¶
MMClassification 提供 Dockerfile 用于构建镜像。请确保你的 Docker 版本 >=19.03。
# 构建默认的 PyTorch 1.8.1，CUDA 10.2 版本镜像
# 如果你希望使用其他版本，请修改 Dockerfile
docker build -t mmclassification docker/
用以下命令运行 Docker 镜像：
docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/mmclassification/data mmclassification